Git & DataOps: Από τον Κώδικα στην Παραγωγή

0 (0 Ratings)
Διάρκεια 1ω 30μ
ΕπίπεδοΠροχωρημένος

⚠️ Για να εγγραφτείτε στο μάθημα θα πρέπει να είστε συνδεδεμένοι. Επιλέξτε το κουμπί Σύνδεση για σύνδεση σε υπάρχοντα λογαριασμό ή για δημιουργία λογαριασμού.

Μάθε Περισσότερα

Σχετικά με το μάθημα

Το μάθημα "Git & DataOps: Από τον Κώδικα στην Παραγωγή" αποτελεί τον ιδανικό οδηγό για κάθε Analytics και Data Engineer που επιθυμεί να ξεφύγει από το χάος των χειροκίνητων αλλαγών και να κατανοήσει σε βάθος πώς οργανώνεται ο κώδικας δεδομένων σε επαγγελματικό επίπεδο. Μέσα από μια δομημένη πορεία, το υλικό σε καθοδηγεί βήμα-βήμα από τη δημιουργία ενός απλού τοπικού commit μέχρι τη διαχείριση σύνθετων εταιρικών ροών εργασίας (workflows), διασφαλίζοντας την ποιότητα και την ασφάλεια των αλλαγών σου προτού αυτές καταλήξουν στην τελική παραγωγή. Στο πλαίσιο αυτό, θα μάθεις πώς να ενσωματώνεις το Git στην καθημερινή σου ενασχόληση με τα δεδομένα, όπως κατά τη συγγραφή SQL scripts ή τη διαμόρφωση dbt μοντέλων. Παράλληλα, θα εμβαθύνεις στη φιλοσοφία του ελέγχου εκδόσεων (Version Control) και στη σύνδεσή του με την ευρύτερη κουλτούρα του DevOps και των αυτοματοποιημένων διαδικασιών CI/CD. Η εκπαίδευση θα σου επιτρέψει να πλοηγείσαι με απόλυτη άνεση ανάμεσα στα περιβάλλοντα Development, UAT και Production, να δημιουργείς branches, να αναιρείς αποτελεσματικά τυχόν λάθη, καθώς και να συνεργάζεσαι αρμονικά με την υπόλοιπη ομάδα, επιλύοντας merge conflicts και προωθώντας τον κώδικά σου με ασφάλεια μέσω Pull Requests. Η ύλη του μαθήματος καλύπτει μια ευρεία γκάμα από κρίσιμα, ενδεικτικά θέματα που ξεκινούν από τη σημασία του Git και του DevOps, δίνοντας έμφαση στην αξία του ελέγχου εκδόσεων στα data projects και τη σύνδεσή του με την αυτοματοποιημένη δοκιμή και υποστήριξη υποδομών. Στη συνέχεια, εξετάζεται η σχέση του τοπικού εργαλείου Git με τις cloud πλατφόρμες GitHub και Azure DevOps, ενώ αναλύεται ο τρόπος με τον οποίο αποθηκεύονται τα deltas/διαφορές της εργασίας σου μέσα από τα Git Commits. Επιπλέον, θα δεις πώς τα branches συνδέονται άμεσα με τα τρία περιβάλλοντα δεδομένων (την ανάπτυξη κώδικα στο Dev, τον έλεγχο ορθότητας των metrics στο UAT και τα live dashboards στο Prod), ενώ θα εξοικειωθείς με τεχνικές αναίρεσης και επιλεκτικής μεταφοράς (όπως η διόρθωση τοπικών λαθών, η ασφαλής αναίρεση σε κοινόχρηστα branches και η μεταφορά μεμονωμένων commits). Τέλος, το μάθημα εστιάζει στη διαχείριση κρίσεων, όπως η επίλυση χειροκίνητων merge conflicts, η διαχείριση της αποκλίνουσας εργασίας (diverged work) και η αντιμετώπιση απορρίψεων πρόσβασης στο προστατευμένο main branch μέσω της διαδικασίας των Pull Requests. Πιστό στη φιλοσοφία της δομημένης μάθησης, το σεμινάριο αποφεύγει την περιττή ακαδημαϊκή ορολογία και βασίζεται σε εξειδικευμένα κείμενα που επεξηγούν κάθε έννοια και εντολή μέσα από πρακτικά, οπτικά παραδείγματα με commits (όπως C1, C2, C3). Η εμπέδωση της θεωρίας ενισχύεται άμεσα με στοχευμένα Quiz αξιολόγησης στο τέλος των ενοτήτων, εξασφαλίζοντας ότι κατέχεις τη γνώση προτού προχωρήσεις. Παράλληλα, η εκπαιδευτική εμπειρία ολοκληρώνεται με μια προσεκτικά επιλεγμένη συλλογή από Χρήσιμες Πηγές (Useful Resources) και συμπληρωματικό υλικό μελέτης, προσφέροντάς σου τα κατάλληλα εργαλεία αναφοράς για τις καθημερινές ανάγκες της εργασίας σου.
Show More

Τι θα μάθω;

  • Διακρίνεις τη διαφορά μεταξύ Git και GitHub/Azure DevOps και να εξηγείς πώς ο έλεγχος εκδόσεων συνδέεται με την αυτοματοποίηση του DataOps (CI/CD).
  • Δημιουργείς commits, να πλοηγείσαι στο ιστορικό μέσω του HEAD και να αναιρείς ή να μεταφέρεις επιλεκτικά αλλαγές με το cherry-pick.
  • Οργανώνεις τη δουλειά σου σε αυτόνομα feature branches και να τη συγχωνεύεις σωστά, συνδέοντάς την με τα περιβάλλοντα Dev, UAT και Prod.
  • Συγχρονίζεις τον κώδικά σου με το cloud, να επιλύεις conflicts και να διαχειρίζεσαι απορρίψεις μέσω της επίσημης διαδικασίας των Pull Requests.

Σε ποιους απευθύνεται;

  • Junior Data & Analytics Engineers: Άτομα που ξεκινούν τώρα και θέλουν να μάθουν τον επαγγελματικό τρόπο οργάνωσης dbt μοντέλων και SQL scripts.
  • Data Analysts & Data Scientists: Επαγγελματίες που θέλουν να μοιράζονται notebooks και αναλύσεις με την υπόλοιπη ομάδα με ασφάλεια και δομή.
  • Tech Project Managers & Product Owners: Στελέχη που διοικούν data ομάδες και θέλουν να κατανοούν τη γλώσσα, τα conflicts και τη ροή εργασίας των engineers.

Curriculum Μαθήματος

Καλωσόρισμα
Σημαντικές πληροφορίες σχετικά με το μάθημα.

Εισαγωγή στο Version Control & το Οικοσύστημα του Cloud
Εισαγωγή του μαθήματος και της σημαντικότητας αυτού.

Τοπική Ανάπτυξη & Η Στρατηγική των Περιβαλλόντων (Main Branch & Local Dev)
Γνώσεις που σχετίζονται με το main branch.

Ομαδική Συνεργασία & Διαχείριση Αποκλίσεων
Γνώσεις που σχετίζονται με remote branches.

Χρήσιμες Πηγές & Αξιολόγηση
Μοιραζόμαι χρήσιμες πηγές και δίνεται η δυνατότητα να αξιολογήσετε το μάθημα!

9,00 

Γνώρισε το Μάθημα

Υλικό

  • Κείμενο
  • Χρήσιμα Βίντεο
  • Cheatsheet(s)
  • Activities
  • Quiz Κατανόησης

Χαρακτηριστικά του Μαθήματος

Χρήσιμες Πληροφορίες

🤝 100% επιστροφή χρημάτων εντός 7 ημερών αν δεν είστε ικανοποιημένοι.

💡Η πρόσβαση στο μάθημα γίνεται άμεσα με το που γίνει η πληρωμή.

 📽️ Η παρακολούθηση είναι ασύγχρονη.

Instructor(s)

Alexandra Athanasakou
Alexandra Athanasakou
Business Intelligence Developer, Trainer and Learning Designer

Αξιολογήσεις Μαθητών

No Review Yet
No Review Yet

Συχνές Ερωτήσεις

Τίτλοι σπουδών όπως:

  • Μαθηματικά,
  • Στατιστική,
  • Διοίκηση Επιχειρήσεων,
  • Οικονομικά,
  • ή Πληροφορική.

Ωστόσο, οι παραπάνω περιπτώσεις δεν χρειάζεται να σε περιορίσουν ώστε να αλλάξεις το αντικείμενο καριέρας σου και να ακολουθήσεις καριέρα στα Data Analytics. 

Όπως σε κάθε επάγγελμα, χρειάζεται να αποκτήσεις πολλαπλές δεξιότητες. Έτσι, και οι ρόλοι που σχετίζονται με Data Analytics χρειάζονται αρκετές δεξιότητες τις οποίες όμως θα βρεις επαρκές υλικό και εξάσκηση στην Data Tutor μέσω των μαθημάτων, αλλά και των εκπαιδευτικών υπηρεσιών καθοδήγησης και προετοιμασίας!

Η Εκπαιδευτική Πλατφόρμα Data Tutor διαθέτει πληθώρα διαφορών σε σχέση με άλλες εκπαιδευτικές πλατφόρμες. Ενδεικτικά:

  • Επαγγελματίας του χώρου σας καθοδηγεί σε project με πραγματικά δεδομένα και πραγματικές περιπτώσεις που δύναται να αντιμετωπίσετε στην πραγματική δουλειά.
  • Η καθοδήγηση δεν περιορίζεται μόνο σε project, αλλά και σε γενικότερες γνώσεις που μπορείτε να πάρετε μέσω 1:1 συναντήσεις.
  • Συναντήσεις mentoring/coaching είναι διαθέσιμες για εσάς προκειμένου να θέσετε ένα πλάνο από το Α-Ω.
  • Μετά την ολοκλήρωση των projects και της μελέτης δεν ήρθε το τέλος. Το παλεύουμε μαζί να είστε πανέτοιμοι για συνεντεύξεις.
  • Το υλικό των μαθημάτων είναι στα Αγγλικά, αλλά τα βίντεο, οι ασκήσεις και το Project στα Ελληνικά.

Ναι, τα μαθήματα κορμού που περιλαμβάνονται σε εκπαιδευτικά πακέτα έχουν όλα από ένα (1) Project.

Στην καθοδήγηση των μαθημάτων η καθοδηγήτρια έρχεται σε επικοινωνία μαζί σου για να σου προσφέρει βελτίωση του τελικού σου project. Στην εκπαιδευτική καθοδήγηση λαμβάνεις online 1:1 καθοδήγηση πάνω σε γνώσεις και ύλη των μαθημάτων που προσφέρονται πάντοτε με βάση τις προσωπικές σου ανάγκες. Οι συναντήσεις αυτές είναι προγραμματισμένες εκ των προτέρων ύστερα από συνεννόηση με την καθοδηγήτρια. Τέλος, η εκπαιδευτική καθοδήγηση προσφέρει σύνολο 3 ώρες και το πλήθος των ωρών δεν είναι καθόλου τυχαίο. Μέσα από την εμπειρία της καθοδηγήτριας, 3 – 4 ώρες χρειάζονται σε συνδυασμό με την μελέτη και την προσωπική εξάσκηση για να βοηθηθείς στην επίλυση των αποριών σου.

Μερικοί από τους λόγους για τους οποίους θα προτιμούσε κανείς εκπαιδευτική καθοδήγηση είναι οι παρακάτω:

  • Για να καλύψουμε όλες αυτές τις ερωτήσεις και απορίες που δεν μπορέσαμε να κάνουμε διότι προέκυψαν στην πορεία
  • Για να εκπαιδευτούμε σε εργαλεία που δεν προσφέρονται μέσα από ήδη υπάρχοντα προγράμματα σπουδών
  • Για να μάθουμε λεπτομέρειες σε τεχνολογίες και εργαλεία που δεν μπορέσαμε να βρούμε μέσα από τα διαθέσιμα προγράμματα σπουδών
  • Γιατί θέλουμε σε σύντομο χρονικό διάστημα, να ανανεώσουμε κάποιες γνώσεις μας ώστε να ψάξουμε για εργασία
  • κ.ά.

Αν ταυτίζεσαι με την πλειονότητα των παραπάνω, τότε η εκπαιδευτική καθοδήγηση είναι αυτή την στιγμή αυτό που χρειάζεσαι.

Η φράση “Γίνε και εσύ Data Analyst σε 30 ημέρες…” είναι μια απάτη. Για να μπορέσει κανείς να γίνει επαγγελματίας σε ένα πεδίο χρειάζεται χρόνο να μελετήσει, συνεχή εξάσκηση, επιπλέον πρακτική, και διαρκή “περιέργεια” το πώς δουλεύει το κάθε τι. Το συγκεκριμένο εκπαιδευτικό πακέτο με το πλήθος των μαθημάτων και ακολουθώντας το εβδομαδιαίο πλάνο μελέτης, απαιτεί τουλάχιστον 8 μήνες.

Δεν είσαι ακόμη σίγουρος/η;

Μην διστάσεις να κλείσεις μια 15' δωρέαν συνάντηση με την καθοδηγήτρια της Data Tutor.
Φρόντισε απλώς να περιγράψεις εν συντομία τον προβληματισμό σου.

Κύλιση στην κορυφή